如何处理某些元素中带有 nul char 的 CSV 行？

Question

在读取和解析 CSV 文件行时，我需要处理作为某些行字段的值出现的 nul 字符。有时 CSV 文件采用 windows-1250 编码，有时采用 UTF-8，有时采用 UTF-16，这使情况变得复杂。因此，我已经开始了一些方式，后来发现了 nul char 问题 -- 见下文。

详细信息：我需要将来自第三方的 CSV 文件清理为我们的数据提取器通用的格式（即该实用程序用作过滤器 - 存储一个 CSV 格式到另一个 CSV 表格）。

我最初的做法是以二进制方式打开CSV文件，检查第一个字节是否构成BOM。我知道所有给定的 Unicode 文件都以 BOM 开头。如果没有 BOM，我知道它是 windows-1250 编码。转换后的 CSV 文件应使用 windows-1250 编码。因此，在检查输入文件后，我使用相关模式打开它，如下所示：

// Open the file in binary mode first to see whether BOM is there or not.
FILE * fh{ nullptr };
errno_t err = fopen_s(&fh, fnameIn.string().c_str(), "rb"); // const fs::path & fnameIn
assert(err == 0);
vector<char> buf(4, '[=10=]');
fread(&buf[0], 1, 3, fh);
::fclose(fh);

// Set the isUnicode flag and open the file according to that.
string mode{ "r" };     // init 
bool isUnicode = false; // pessimistic init

if (buf[0] == 0xEF && buf[1] == 0xBB && buf[2] == 0xBF) // UTF-8 BOM
{
    mode += ", ccs=UTF-8";
    isUnicode = true;
}
else if ((buf[0] == 0xFE && buf[1] == 0xFF)     // UTF-16 BE BOM
      || (buf[0] == 0xFF && buf[1] == 0xFE))    // UTF-16 LE BOM
{
    mode += ", ccs=UNICODE";
    isUnicode = true;
}

// Open in the suitable mode.
err = fopen_s(&fh, fnameIn.string().c_str(), mode.c_str());
assert(err == 0);

成功打开后，将通过 fgets 或 fgetws 读取输入行——取决于是否检测到 Unicode。然后的想法是，如果较早检测到 unicode，则将缓冲区内容从 Unicode 转换为 1250，或者让缓冲区为 1250。s 变量应包含 windows-1250 编码中的字符串。 ATL::CW2A(buf, 1250)用于需要转换的时候：

    const int bufsize = 4096;
    wchar_t buf[bufsize];

    // Read the line from the input according to the isUnicode flag.
    while (isUnicode ? (fgetws(buf, bufsize, fh) != NULL)
        : (fgets(reinterpret_cast<char*>(buf), bufsize, fh) != NULL))
    {
        // If the input is in Unicode, convert the buffer content
        // to the string in cp1250. Otherwise, do not touch it.
        string s;
        if (isUnicode)  s = ATL::CW2A(buf, 1250);
        else            s = reinterpret_cast<char*>(buf);
        ...
        // Now processing the characters of the `s` to form the output file
    }

它工作正常...直到出现一个包含空字符的文件作为行中的值。问题是当 s 变量被赋值时，nul 会截断该行的其余部分。在观察到的情况下，它发生在使用 1250 编码的文件中。但它也可能发生在 UTF 编码的文件中。

如何解决问题？

Answer 1

NUL 字符问题已通过使用 C++ 或 Windows 函数解决。在这种情况下，最简单的解决方案是 MultiByteToWideChar，它将接受一个明确的字符串长度，正是这样它才不会在 NUL 上停止。

如何处理某些元素中带有 nul char 的 CSV 行？

How to process CSV lines with nul char in some elements?

c++

windows

visual-c++

encoding

fgets